一种中药材显微图像的特征提取与识别检索方法技术

技术编号:13958666 阅读:120 留言:0更新日期:2016-11-02 19:18
本发明专利技术公开了一种中药材显微图像的特征提取与识别检索方法,通过引入PCNN赋时矩阵信息处理方法,结合PCNN与图像傅里叶变换和小数幂指数滤波相,提取变换域中图像特征信息,以马氏距离结合Pearson积矩相关法的综合相似性度量为依据,提出中药材显微图像信息快速存储、识别检索算法,构建全息中药材显微组织图像、花粉图像特征提取与识别检索系统,进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度,为中药材检测与分析的现代化提供一种新的途径。

【技术实现步骤摘要】

本专利技术属于生物医学信息处理领域,尤其涉及一种中药材显微图像的特征提取与识别检索方法
技术介绍
脉冲耦合神经网络(PCNN)是根据猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放现象提出的,有着良好的生物学背景,该模型具有动态变阈值、非线性调制耦合、同步脉冲发放、动态脉冲发放及时空总和等特性,使得PCNN在信号处理应用,特别是在图像处理应用中显示了巨大的优越性。但传统PCNN模型还存在以下理论不足及技术缺点:(1)该模型在非线性调制耦合和阈值指数衰变方面,其阈值衰减是反复变化的,这种阈值变化不能很好地符合人眼对亮度响应的非线性指数要求,并且通过这种阈值规律处理后的图像(或其他信号)中大量信息蕴含在神经元的激活周期(频率)或者激活相位中,而输出的图像却并不包含全部的可用信息;(2)PCNN模型中大量漏电积分器和一些反馈连接的存在,虽然提高了模型仿生学的逼近程度及生物处理信息的真实性,但这不仅增加了模型的复杂性,同时也加大了对信号处理时间的开销;(3)传统PCNN模型参数过多,对参数的(自动)设定及优化会增加许多困难;(4)由于中药材显微图像的复杂性与特殊性,传统PCNN模型不适宜处理显微组织类图像。
技术实现思路
本专利技术的目的在于提供一种中药材显微图像的特征提取与识别检索方法,旨在提高中药材质量评价的客观性、准确性、可重复性和智能化程度。本专利技术是这样实现的,一种中药材显微图像的特征提取与识别检索方法包括:步骤一、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;步骤二、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;步骤三、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;步骤四、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;步骤五、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;步骤六、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;步骤七、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;步骤八、提取同一图像的步骤二、步骤五、步骤六、步骤七所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统。进一步,所述的图像去噪的具体方法为:步骤一、将含噪图像f(x,y)进行二维平稳小波变换,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;步骤二、对第一层的低频系数利用PCNN进行区域分割;步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;步骤五、进行阈值寻优,得到最优去噪阈值k;步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。进一步,所述神经网络PCNN内置检测优化模块,该检测优化模块用于:将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:利用预定过分割算法对所述图像进行过分割,和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;确定每个所述区域的颜色值和质心;根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型。进一步,所述的所述显著性模型为:其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:Center(Ri)为所述区域Ri的质心,Center(Rj)为所述区域Rj的质心,当所述图像中各个像素点的坐标均归一化到[0,1]时;进一步,所述神经网络PCNN利用下列公式运行PCNN模型:Fij[n]=SijLij[n]=VLΣwijklYkl[n-1]Uij[n]=Fij[n](1+βLij[n])Iij[n]=N-n式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N-1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N-1。进一步,所述中药材显微图像的特征提取具体包括:步骤一、图像信号的采集、上传及分辨率调整:采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传,调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值,得到图像f0(x,y);步骤二、图像特征提取:通过对所得到的图像f0(x,y)进行分析处理,得出图像的特征P,其分析处理过程如下:二维小波变换:调用二维小波变换模块对图像f0(x,y)进行二维小波变换,得到:其中,为f0(x,y)变换后的低频分量,为f0(x,y)变换后的水平高频分量,为f0(x,y)变换后的垂直高频分量,为f0(x,y)变换后的对角线高频分量,为尺度函数,为相应的小波;x和m均为图像的横向坐标,y和n均为图像的纵向坐标;调用对数变换模块,将经二维小波变换后的低频分量变换到对数空间,得到:I(x,y)=log f00(m,n);调用卷积计算模块,并使用k种不同的高斯滤波系数Fk(x,y)与对数空间中的低频小波系数I(x,y)进行卷积计算,得到:其中,k为高斯滤波系数的种类数;调用加权平均计算模块,对卷积计算所得结果gk(x,y)与对数空间中的低频小波系数I(x,y)的偏差进行加权平均计算,得到:其中,N为不小于3的自然数;调用均值方差归一化处理模块,对步骤204中所得到的加权平均结果R(x,y)进行灰度值线性拉伸,得到:R′(x,y)=G×R(x,y)+offset,其中,R′(x,y)为图像小波系数的变换输出值,R″(x,y)为均值方差归一化后用来显示的灰度值,G为增益系数,offset为R′(x,y)的偏移量,rmin为修正后图像小波系数中的最小值,rma本文档来自技高网...

【技术保护点】
一种中药材显微图像的特征提取与识别检索方法,其特征在于,所述的中药材显微图像的特征提取与识别检索方法包括:步骤一、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;步骤二、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;步骤三、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;步骤四、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;步骤五、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;步骤六、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;步骤七、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;步骤八、提取同一图像的步骤二、步骤五、步骤六、步骤七所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统;所述神经网络PCNN内置检测优化模块,该检测优化模块用于:将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:利用预定过分割算法对所述图像进行过分割和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;确定每个所述区域的颜色值和质心;根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型;所述的所述显著性模型为:其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:Center(Ri)为所述区域Ri的质心,Center(Rj)为所述区域Rj的质心,当所述图像中各个像素点的坐标均归一化到[0,1]时;所述神经网络PCNN利用下列公式运行PCNN模型:Fij[n]=SijLij[n]=VLΣwijklYkl[n‑1]Uij[n]=Fij[n](1+βLij[n])Iij[n]=N‑n式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N‑1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N‑1;所述的图像去噪的具体方法为:步骤一、将含噪图像f(x,y)进行平稳小波变换邻域系数萎缩的图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;步骤二、对第一层的低频系数利用PCNN进行区域分割;步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;步骤五、进行阈值寻优,得到最优去噪阈值k;步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。...

【技术特征摘要】
1.一种中药材显微图像的特征提取与识别检索方法,其特征在于,所述的中药材显微图像的特征提取与识别检索方法包括:步骤一、采集原始图像,对原始图像进行预处理,分割出目标区域的轮廓,进行图像去噪,将神经网络PCNN与图像对应,将中心神经元与图像的像素点对应,中心神经元的邻域与邻域像素点对应,神经元的输入为像素点的灰度值;步骤二、建立从空间图像处理信息到时间信息的PCNN赋时矩阵,将赋时矩阵视为不变直方图矢量重心,经PCNN迭代处理中药材显微图像并提取直方图矢量不变特征;步骤三、把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割,提取中药材二值图像目标,建立引入交叉熵分割判据的PCNN中药材显微图像分割算法;步骤四、以最大互信息优化多值图像分割并进行图像去噪,建立相邻分割图像互信息熵差最小分类判据,选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法,得到完善的多值目标图像;步骤五、利用PCNN模型处理中药材显微图像,提取各二维图像的一维时间序列信号特征并存储特征信息,对该一维时间序列信号进行熵变换,形成熵序列信号,并作为PCNN处理的另一图像特征,并结合中药材显微图像体视学要求的图像目标特征,提取中药材显微图像空域特征;步骤六、将PCNN模型与图像傅里叶变换小数幂指数滤波相结合,提取图像变换域特征信息;步骤七、分析PCNN迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征,引入马氏距离结合Pearson积矩相关法的综合相似性度量方法,提取中药材显微图像PCNN的特征信息;步骤八、提取同一图像的步骤二、步骤五、步骤六、步骤七所述的特征信息,建立中药材显微图像特征信息库,搭建中药材显微图像的主辅特征识别与检索的智能专家系统;所述神经网络PCNN内置检测优化模块,该检测优化模块用于:将采集到的图像建立图像的显著模型,所述建立图像的显著性模型包括:利用预定过分割算法对所述图像进行过分割和模板参数提取,对整个输入图像,以8*8个像素为单元,计算每个单元的平均灰度值和每个单元的最大灰度值,得到至少一个区域,同一个所述区域中各个像素点的颜色值相同;确定每个所述区域的颜色值和质心;根据各个区域所对应的颜色值以及各个区域的质心,建立所述显著性模型;所述的所述显著性模型为:其中,Si1为区域Ri中任一像素点的显著性值,w(Rj)为区域Rj中的像素点的个数,DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值,DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值,N为对所述图像进行过分割后得到的区域的总个数,DS(Ri,Rj)为:Center(Ri)为所述区域Ri的质心,Center(Rj)为所述区域Rj的质心,当所述图像中各个像素点的坐标均归一化到[0,1]时;所述神经网络PCNN利用下列公式运行PCNN模型:Fij[n]=SijLij[n]=VLΣwijklYkl[n-1]Uij[n]=Fij[n](1+βLij[n])Iij[n]=N-n式中:Uij[n]为内部活动项,Yij[n]为PCNN脉冲输出,Iij[n]为索引值;当n=1时,Lij[1]=0,则Uij[1]=Fij[1]=Sij,θij[1]=LT(N-1)=Sij_max,对应的反馈输入中值为Sij_max的神经元将自然点火;神经元点火后,输出Yij[1]=1,θij[2]变为Vθ,点火神经元的索引值标记为Iij=N-1;所述的图像去噪的具体方法为:步骤一、将含噪图像f(x,y)进行平稳小波变换邻域系数萎缩的图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;步骤二、对第一层的低频系数利用PCNN进行区域分割;步骤三、将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;步骤四、采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;步骤五、进行阈值寻优,得到最优去噪阈值k;步骤六、根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。2.如权利要求1所述的中药材显微图像的特征提取与识别检索方法,其特征在于,所述图像采集方法包括步骤:对各图像采集设...

【专利技术属性】
技术研发人员:刘勍施海燕杨红平马小姝张利军杨筱平
申请(专利权)人:天水师范学院
类型:发明
国别省市:甘肃;62

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1